6-1 工业设备预测性维护及时序数据库选型

PdM价值及发展历程

• PdM价值: 提升设备可利用率、降低维护成本、减少事故和故障停机。
  • 案例: 卡特彼勒设备在线率提升，GE降低维护服务负荷40%、维护成本10~40%，徐工故障率降低一半。
  • 商业模式转变: GE从卖发动机到卖里程，风电从卖风机到卖发电量。
• PdM发展历程: 从被动维护（事后、预防性）到主动维护（基于状态、预测性）。
  • 事后维护: 故障后维修。
  • 预防性维护: 定期维护。
  • 基于状态的维护: 实时监控设备状态，性能异常时主动维护。
  • 预测性维护: 基于数理统计和数据挖掘模型，预测初期部件故障并指导维护。

PdM的常见技术路线

• 技术路线: 事后维护、预防性维护、基于状态的维护、预测性维护。
  • 信号处理: 基于时域、频谱、包络分析，无需训练，准确度高，但成本高、适用性低（占比50%）。
  • 机理+大数据: 准确度高，可解释性强，但建模挑战大（占比10%）。
  • 数字孪生: 无需先验经验，自适应建模，技术门槛高（占比20%）。
  • AIML+图像: 图像所见即所得，但ML可解释性差、过学习（占比20%）。
  • 故障诊断与预测: 结合多种方法进行综合分析。

PdM常见技术路线详解

• 信号处理: 通过信号分析技术（如时域、频谱、包络分析）识别设备异常。
• 机理+大数据: 基于设备机理模型和大数据分析，构建预测模型。
• 数字孪生: 构建虚拟模型，通过数据驱动和机理模型结合进行异常识别和故障推导。
  • 技术原理: 基于数字孪生体和数字线程，通过基准模型、基准向量库、特征空间等进行实时预测和动态阈值设置。
  • 实施过程: 历史数据准备、数据预处理、特征提取/分析、异常分析/特征标注、模型启用、对象状态评估、模型优化、异常预警、健康度/稳定趋势分析。

PdM时序数据库选型

• 需求: 5类20+模型，100GB/天数据，20000台设备，低频大查询、高频小查询、周期性滚动计算。
• 窄表vs宽表: 窄表存储效率高，分析查询友好；宽表灵活但查询效率低。
• 选型: Mars时序数据库。
  • 优势: 分区存储、压缩比高、向量化友好、时序优化、行列混合有序存储。
• 试用评测: 相比PostgreSQL、Green Plum、TD-Engine，Mars在数据流接入、Python原生支持、资源独享、HTAP等方面表现优异。
• 最终效果: Nifi组件入库速度提升3-4倍，巡检时间从6小时降至30分钟，原生Python兼容，实现HTAP。

PdM案例与价值故事

• 堵管问题分析:
  • 背景: 客户抱怨设备堵管，服务无法解决。
  • 解决方案: 通过平台查看工况数据，定位问题原因。
  • 结论: 平台查看只需几分钟，减少一半因抱怨出差。
• 油泵电流和换向次数分析:
  • 通过线性拟合计算液压情况指标，异常指示液压系统问题。
  • 故障处理方式从事后解决变为事前预测，降低故障发生率40%。

一点思考

• 制造业数字化转型分三阶段:
  1. 初期: 使用Hadoop+Spark+HIVE等搭建生态，解决部分数字化问题。
  2. 深水区: 面临复杂数据分析需求，Hadoop生态难以承载。
  3. 高级阶段: 引入适应需求的IT技术（如MatrixDB）一站式解决问题。
• 建议: 业务初期就尝试使用跨界产品（如MatrixDB）解决问题。